神经网络优化的迭代学习控制在黄酒发酵中的应用_高冬垒
IPSO算法在黄酒发酵温控系统中的应用
方法具有动 态响应快 、超调量小、鲁棒性强等优 点，有很好的实用性． 关键 词： 黄 酒温 度控制；粒子群优化 ； Ｐ Ｉ Ｄ 控制； Ｌ ａ ｂ ＶＩ Ｅ Ｗ； ＭＡ Ｔ Ｌ Ａ Ｂ
’
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｉ ｏ Ｔ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｊ ｉ ａ ｎ ｇ ｎ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｗｕ ｘ ｉ ２ １ ４ １ ２ ２ ， Ｃ １ ｌ ｉ ｎ ａ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔｈ ｅ ｃ ｏｎ ｔ ｒ ｏ ｌ ｓ ｙ ｓ ｔ ｅ ｍ ｆ ｏ ｒ ｒ ｉ ｃ ｅ ｗｉ ｎ ｅ ｆ ｅ ｒ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｉ ｓ ａ ｌ ｌ ｕ ｎ ｓ ｔ ａ ｂｌ ｅ ｓ ｙｓ ｔ ｅ ｍ ｗｉ ｔ ｈ ｔ ｉ ｍｅ － ｖ ａ ｒ ｙ ｉ ｎ ｇ ａ ｎ ｄ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｉ ｔ ｙ ． Ｔｅ ｍｐｅ ｒ ａ ｔ ｕ ｒ ｅ ｉ ｓ ａ ｖ ｅ ｒ ｙ ｉ ｍｐ ｏ ｒ ｔ ａ ｎ ｔ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｉ ｎ ｉｃ ｒ ｅ ｗｉ ｎｅ ｆ ｅ ｒ ｍｅ ｎ ａｔ ｔ ｉ ｏ ｎ ｃ ｏ ｎ ｔ ｒ ｏ １ ．Ｆ ｏ ｒ ｒ ｉ ｃ ｅ ｗｉ ｎ ｅ ｆ ｅ ｍ ｅ ｒ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｔ ｅ ｍｐ ｅ ｒ ａ ｔ ｕ ｒ ｅ
ｂ ｌ ｎｄ ｉ ｎ ｅ ｓ ｓ ｉ ｎ ｔ ｈ ｅ ｏ ｍｅ ｔ ｈ ｅ ｄ ｅ ｆ ｅ ｃ ｔ ｈａ ｔ ｔ ｂ ａ ｓ ｉ ｃ Ｐ Ｓ Ｏ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｉ ｓ ｅ ａ ｓ ｙ ｔ ｏ ｆ ａ ｉ ｌ ｉ ｎ ｔ ｏ ｌ ｏ ｃ ａ ｌ ｍｉ ｎ ｉ ｍａ ｉ ｓ
基于SCL的黄酒发酵温度控制系统设计与应用
３ ０ Ｌ 提 供 的 结 构 化控 制语 言Ｓ Ｌ。 写模 糊 Ｐ Ｄ 制 算 法 ， 仅 实现 了控 制 方 案 ， ０Ｐ Ｃ Ｃ 编 Ｉ控 不 而且 改
文章编号：０ １９４ （０ ２１—０ ４０ １０ —９ ４２ １）００ ３ —４
基于Ｓ ＣＬ的黄 酒发 酵温度 控 制 系统设 计 与应 用
钟 强 ， 周 程 学 院 ， 锡 ２ ４ ２ 江 无 １ １ ） ２
摘 要 ： 酒发 酵 温度 控 制 系统是 一 个 非 线性 、 变 系统 ． 模 糊Ｐ Ｄ引入 传 统 的黄 酒 温度 控 黄 时 将 Ｉ
随着 科技 水 平 的进 步 和经 济 的不 断 发展 ． 国 我
传 统 Ｐ Ｄ控 制 算 法 原 理 简 单 、 调 节 ， Ｉ 易 常用 于
的黄 酒 生 产 已 由传 统 的手 工 作坊 式 制 造 向 自动 控
制 方 向迈进 。黄酒 发 酵过 程是 一 个生 化 反应 过 程 ， 是非线性 、 时变 、 大惯 性 的一 种 复 杂 系 统［ 难 以建 １ Ｊ ，
ｃ ｎｒ ｌ ｏ ｅ ｅ ａｕ ｅ ｎ ｏ ｄ ｒ ｔ ｒａ ｉ ｈ ｎｅ ｌ ｅ ｔ ｃ ｎ ｒ ｌ ｉ ｈ ｉ ｍｅ ｓ Ｐ Ｃ，ｈ ｔｕ ｔｒ ｄ ｏ ｔ ｌ ｌｎ ｕ ｇ ｏ ｔ ｆ ｔ ｍｐ ｒ ｔｒ ．Ｉ ｒ ｅ ｏ ｅ ｌ ｅ ｔ ｅ ｉ ｔｌ ｇ ｎ ｏ ｔ ｎ ｔ ｅ Ｓ ｅ ｎ Ｌ ｔ ｅ ｓ ｃｕ ｅ ｃ ｎ ｒ ａ ｇ ａ ｅ ｏ ｚ ｉ ｏ ｒ ｏ
Ｄｅ ｉ ｎ ｎ Ａｐｐ ｉａ ｉ ｎ ｆ ｔ Ｔｅ ｐｅ ａ ｕ ｅ Ｍ ｏ ｔ ｒ ｙ ｔ ｍ ｏ ｃ Ｗ ｉ ｅ ｓｇ ａ ｄ ｌｃ ｔｏ ｏ ｈｅ ｍ ｒ ｔｒ ｎｉｏ Ｓ ｓｅ ｆ Ｒｉ ｅ ｎ Ｆｅ － ｒ ｍ ｅ ｔ ｔｏ Ｂａ ｅ ｏ ＳＣＬ ｎ ａ ｉ ｎ ｓ ｄ ｎ
基于循环神经网络的欧亚中高纬夏季极端高温年代际预测模型研究
基于循环神经网络的欧亚中高纬夏季极端高温年代际预测模型研究作者：索朗多旦黄艳艳陈雨豪王会军来源：《大气科学学报》2024年第02期摘要近幾十年来频繁发生的极端高温事件严重威胁着自然生态系统、社会经济发展和人类生命安全。
针对生态环境脆弱的欧亚中高纬地区，首先评估了当前主流动力模式（CMIP6 DCPP）对于该地区夏季极端高温的年代际预测水平，并构建了基于循环神经网络（Recurrent Neural Networks，RNN）的年代际预测模型。
多模式集合平均（Multi-Model Ensemble，MME）的评估结果显示，得益于大样本和初始化的贡献，当前动力模式对于60°N以南区域（South Eurasia，SEA）展现了预测技巧，准确预测出了其线性增长趋势和1968—2008年间主要的年代际变率，然而模式对于60°N以北区域（North Eurasia，NEA）极端高温的年代际变率几乎没有任何预测技巧，仅预测出比观测低的线性增长趋势。
基于86个初始场的动力模式大样本预测结果，RNN将2008—2020年间NEA和SEA极端高温的年代际变率预测技巧显著提高，距平相关系数技巧从MME中的-0.61和-0.03，提升至0.86和0.83，均方差技巧评分从MME中的-1.10和-0.94，提升至0.37和0.52。
RNN的实时预测结果表明，在2021—2026年，SEA区域的极端高温将持续增加，2026年很可能发生突破历史极值的极端高温事件，NEA区域在2022年异常偏低，而后将呈现波动上升。
关键词极端高温;DCPP;年代际预测;循环神经网络在全球气候变暖的背景下，自20世纪50年代以来，全球大部分地区极端高温事件频率增加，持续时间延长（Alexander et al.，2006;孙建奇等，2011），呈现出明显的非线性增长，并且事件越极端，其发生频率的增长百分比越大（IPCC，2021）。
一种基于参数辨识的迭代学习控制算法及应用
模型参数缓慢或突然 发生变化时 ，Ｔ Ｐ模型的参数也 ＬＶ 跟着改变 。 ３１参数辨识方法描述 ． 对（） ２描述 的非线性系统 ，其 Ｌ ＶＰ模型为 ： １、（） Ｔ
其 中 ｙ × 为因变量 ，ｘ ｌ 待求 自变 量 ，Ａ ∈ ｌ ∈Ｒ × 为
最ｄ － 乘 法（Ｆ Ｌ ） ＇－ － Ｆ Ｒ Ｓ ，使 得模型参数 变化 时，学 习律 参数随之更新 ，算法具有更 高 的 自适应 性，仿真 结果 表 明所提 出的算法有 效 。
１ 迭代学习控制算法
本文针对 黄酒发酵过程批次稳定性差且存在参数 变化的 问题，提 出一种基于遗忘 因子最小二乘法辨识 的迭代学习控制策略 ，结合 间歇发酵过程重复运 行的
ｉ ） ｊ １＋ （） （） ａｎＪｎ １ （ ＝ （一 ） 上 【 一 （） — ） Ｈ ｙ （ 】
（３ １）
三 ＝ （ 一） ｎ ａｎＰｎ １ ＋ （） Ｐｎ １ （ ￣ （ （－ ） （） ｒ （４ ａ ） ） ａ １）
Ｐ ＝ ， Ｌｎａｎ Ｐｎ １ （ ÷【一 （）（ ｌ（ 一） ） ）
式 中，０ 入＜ 。当 ＝ ＜ １ ｌ时，Ｆ Ｒ Ｓ就是 Ｒ Ｓ ＦＬ Ｌ 。遗 忘
因子越小 ， 算法跟踪 能力越强，但参数估计波动越 大 ；
遗忘 因子越大 ，算法跟踪时变参数 的能力越弱 。
３ 基于带遗忘 因子最ｄ － ＇－ ＜乘法 的参数辨识 ２ 带遗忘因子最ｄ － 乘法 ＇
本文 采用 带遗 忘 因子最 小 二乘 法辨 识模 型参 数
当模 型参数随着批次变化时 ，系统的跟踪性能得到了改进 。 关键词：迭代学 习控制 ；参数辨识 ；带遗忘因子的最小二乘法；黄酒发酵
Ｉｅ ａ ｉ ｎ Ｌｅ ｒ ｎｇ Ｃｏ ｒ ｌ ｇ ｒ ｔ ｔ ｒ ｔｏ ａ ｎｉ ｎｔ ｏ ｏ ｉｈｍ ｉｈ Ｐａ ａ ｅ ｅ ｄｅ ｔｆｃ ｔｏ ｎｄ Ａｐ ｉ ａ ｉ ｎ Ａｌ ｗ ｔ ｒ ｍ ｔ ｒＩ ｎ ｉ ａ ｉ ｎ ａ ｐｌｃ ｔｏ ｉ
机器学习算法在发酵中的应用
机器学习算法在发酵中的应用作者：范为嘉来源：《科学与财富》2020年第32期摘要：发酵工业受到手工操作的限制，未来将应用生物技术和方法，结合机器识别、深度学习等智能化技术，实现基于人工智能的发酵工业智能化。
本文概括性地介绍机器学习算法在发酵智能化研究中的一些应用。
关键词：机器学习;发酵;神经网络;花卉授粉算法;遗传算法;支持向量机引言[1，2]机器学习专门研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能重新组织已有的知识结构使之不断改善自身的性能。
发酵指人们借助微生物在有氧或无氧条件下的生命活动来制备微生物菌体本身、或者直接代谢产物或次级代谢产物的过程，在食品工业、生物和化学工业中均有广泛应用。
机器学习算法在发酵中的应用已经得到各国科学家的研究。
1厌氧发酵制氢的神经网络非线性建模[2]Ahmed El-Shafie使用梭状芽胞杆菌（ATCC13564）考查了利用人工神经网络（ANN）方法模拟和预测产氢量的可能性。
他引入了一种独特的体系结构来模拟反应温度、初始介质pH 值和初始底物三个输入参数之间的相互关系以预测氢气产率，并利用实验的60个数据记录建立了神经网络模型。
结果表明，所提出的人工神经网络模型预测有很高的精度，最大误差为10%。
此外，与传统方法Box-Wilson Design（BWD）的比较分析证明了ANN模型显著优于BWD。
人工神经网络模型克服了BWD方法在记录数量上的局限性，它只是考虑氢产率随机模式的有限长度。
2利用神经网络和遗传算法研究酸奶发酵中酸化工艺的最佳温度分布[3]E. B. Gueguim-Kana等科学家在38-44°C的最佳温度范围内研究了保加利亚乳杆菌和嗜酸链球菌在酸奶生产中的酸化行为。
对于最佳酸化温度剖面研究，他们采用模块化的人工神经网络（ANN）和遗传算法（GA）的优化模型，利用不同的温度分布对14批酸奶发酵进行了评估，来训练和验证ANN子模块。
黄酒挥发性风味香气成分保留时间的神经网络模型
黄酒挥发性风味香气成分保留时间的神经网络模型黄酒是中国传统的酒类产品，其独特的风味和香气成为了其受欢迎的原因之一。
然而，黄酒的风味香气成分随着时间的推移可能会丧失，使得黄酒的口感和品质下降。
因此，研究黄酒挥发性风味香气成分保留时间的问题具有重要的实际意义。
本文将引入神经网络模型，探究黄酒挥发性风味香气成分的保留时间问题。
一、引言黄酒是一种以稻米或高粱米为主要原料，经过酿造和发酵而得到的一种发酵酒。
黄酒独特的风味和香气是由其中的挥发性风味香气成分所贡献的。
然而，挥发性风味香气成分的保留时间对于黄酒的品质具有重要影响。
二、相关研究在黄酒的挥发性风味香气成分保留时间的研究中，以传统的实验方法为主要手段，通过对不同时间点的黄酒样品进行化学分析，来确定挥发性风味香气成分的变化趋势。
然而，传统实验方法存在时间周期长、成本高等问题。
三、神经网络模型神经网络是一种模仿人类神经系统处理信息的数学模型，通过对大量数据进行学习，能够自动识别模式和规律。
在黄酒挥发性风味香气成分保留时间的研究中，可以借助神经网络模型建立预测模型，实现对挥发性风味香气成分的保留时间进行预测和控制。
四、建立神经网络模型1. 数据采集与处理收集大量的黄酒样品数据，包括黄酒的制备方法、成分含量以及挥发性风味香气成分的浓度等信息。
对采集的数据进行处理，包括数据清洗、标准化等操作。
2. 神经网络结构设计选择合适的神经网络结构，包括输入层、隐藏层和输出层。
根据挥发性风味香气成分的保留时间需求，确定输入层的特征变量和输出层的预测结果。
3. 网络参数训练利用采集的黄酒数据对神经网络模型进行训练，通过迭代调整网络参数，使得模型可以最好地拟合实际数据，实现对挥发性风味香气成分保留时间的预测。
五、模型应用与评估利用建立的神经网络模型对新的黄酒样品进行挥发性风味香气成分保留时间的预测。
同时，通过与实际测量结果进行对比，评估模型的准确性和可靠性。
六、实验结果分析根据建立的神经网络模型，得到黄酒挥发性风味香气成分的保留时间预测结果。
黄酒酿造过程中的质量追溯体系建设考核试卷
14. ABC
15. ABCD
16. ABCD
17. ABCD
18. ABCD
19. ABCD
20. ABCD
三、填空题
1.红曲
2.原料质量控制
3.成品销售
4.消毒
5.温度
6.感官评价
7.光照
8.信誉
9.完整
10.原料和工艺
四、判断题
1. ×
2. ×
3. √
4. ×
5. ×
6. √
7. ×
2.描述黄酒酿造过程中原料质量控制的关键点，并说明如何确保原料质量。
3.黄酒发酵过程中的温度控制对酒质有何影响？请列举控制发酵温度的方法。
4.请结合黄酒酿造过程，阐述如何通过质量追溯体系及时发现和解决生产过程中的质量问题。
标准答案
一、单项选择题
1. C
2. D
3. C
4. D
5. C
6. B
7. D
9.黄酒酿造过程中的质量追溯体系建设，以下哪项措施是错误的？（）
A.建立严格的生产操作规程
B.对各环节进行质量监控
C.忽略产品质量追溯
D.建立完善的质量管理制度
10.以下哪个因素不会影响黄酒的质量？（）
A.原料质量
B.酿造工艺
C.包装材料
D.销售渠道
11.在黄酒酿造过程中，以下哪个环节容易出现质量问题？（）
C.温度过低会导致酒质变差
D.温度控制与产品质量无关
7.黄酒酿造过程中，以下哪个设备对产品质量影响较小？（）
A.发酵罐
B.灌装机
C.糖化锅
D.清酒机
8.在黄酒酿造过程中，以下哪个措施不能有效防止微生物污染？（）
人工神经网络和响应面法优化薏苡仁酒发酵条件
2021 Vol.40 No.1•142 Serial No.347China BrewingResearch Report人工神经网络和响应面法优化AB 仁酒发酵条件邹立飞1,郑鹏2**收稿日期:2020-09-04修回日期:2020-11-24基金项目:贵州省教育厅青年科技人才成长项目(黔教合KY 字［2017］371)作者简介:邹立飞(1987-)，男，助教，硕士，研究方向为食品 。
*通讯作者:郑 鹏(1986-)，男，助理研究员，博士，研究方向为食品发酵。
(1.兴义民族师范学院生物与化学学院.贵州兴义562400; 2.华南农业大学园艺学院9广东广州510642)摘 要:采用Box-Behnke m 试验设计对慧政仁酒的发酵条件进行优化，并对Box-Behnken (BB )试验结果分别进行响应面法(RSM )和人 工神经网络(ANN )分析。
结果表明,RSM 、ANN 优化发酵条件分别为慧政仁:糯米为1 ：2(］：］)、酵母A1接种量为4.7%、温度为31.7"、初 始pH 为3.0；慧政仁:糯米为1：1.9(］：］)、酵母A1接种量为4.2%、温度为28.1 "、初始pH 为3.0,ANN 、RSM 分别在其最优条件下的实际值和预测值都基本一致。
ANN 、RSM 拟 模型 相关系数(R )、决定系数(R 2)、均方误差(MSB ),均方根误差(RMSE )、平均绝 误差(MAB )、平均绝对百分比误差(MAPB )分别为0.994 5,0.988 9,0.011 7,0.108 4,0.072 2,0.486 3%和0.983 6,0.967 5,0.028 9,0.170 1、0.143 7,0.985 7%。
ANN 具有更高拟合能力和准确性，拟合效果更好，更适合应用于慧政仁酒发酵条件优化。
关键词：人工神经网络;响应面法；酒 条件;优中图分类号:TS218 文章编号：0254-5071 (2021)01-0142-06 doi:10.11882/j.issn.0254-5071.2021.01.027引文格式:邹立飞，郑鹏•人工神经网络和响应面法优化慧"仁酒发酵条件［J ］ •中国酿造,2021,40(1)： 142-147.Optimization of fermentation conditions of coix seed wine by artificial neural network andresponse surfece methodZOU Life", ZHENG Peng 2*(l.College of B iology and Chemistry, Xingyi Normal University for Nationalities, Xingyi 562400, China;2.College of H orticulture, South China Agricultural University, Guangzhou 510642, China)Abstract ： The fermentation conditions of coix seed wine were optimized by Box-Behnken (BB) experiments, and the results were analyzed by response sur face methodology (RSM) and artificial neural network (ANN). The results showed that the optimal fermentation conditions optimized by RSM were coixseed: glutinous rice 1 ：2(g ：g), yeast A1 inoculum 4.7%, temperature 31.7 ", and initial pH 3.0. The optimal fermentation conditions optimized by ANN werecoix seed: glutinous rice 1：1.9(g ：g), yeast A1 inoculum 4.2%, temperature 28.1 ", and initial pH 3.0, respectively. At the same time, the actual and predicted values of ANN and RSM under their optimal conditions were almost the same. The correlation coefficient R , coefficient of determination (R 2), mean-squareerror (MSB), root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPB) correlation coefficients of the artificialneural network fitting model and the response surface methodology were 0.994 5, 0.988 9, 0.011 7, 0.108 4, 0.072 2, 0.486 3% and 0.983 6, 0.967 5, 0.028 9, 0.170 1, 0.143 7, 0.985 7%, respectively. Overall, the artificial neural network had higher fitting ability and accuracy than the response surface methodologyand generated better fitting effect. Furthermore, the artificial neural network was more suitable for the optimization of fermentation condition of c oix seed wine.Key words ： artificial neural network; response surface methodology; coix seed wine; fermentation condition; optimization慧"(Coix lachrymatory )广泛分布于中国、泰国、缅甸、 韩国、日本、巴西等地叫我国慧"主产区包括贵州、广西、 福建、河北等120。
黄酒酿造过程中的智能监测与控制系统考核试卷
考生姓名：__________答题日期：______/______/_____得分：_________判卷人：_________
一、单项选择题（本题共20小题，每小题1分，共20分，在每小题给出的四个选项中，只有一项是符合题目要求的）
1.黄酒酿造过程中的主要原料是什么？
( )
5.下列哪种设备不属于黄酒酿造过程中的智能控制系统？
A. PLC B.工业PC C.传感器D.发酵罐
( )
6.在黄酒酿造过程中，下列哪个环节不需要进行智能控制？
A.原料处理B.发酵过程C.灭菌环节D.包装过程
( )
7.黄酒酿造过程中的智能控制系统主要包括哪两部分？
A.监测与报警系统B.控制与执行系统C.数据分析与存储系统D. A、B、C都正确
( )
7.智能控制系统在黄酒酿造中的应用，可以提高_______和降低_______。
( ) ( )
8.黄酒酿造过程中的_______环节，是智能控制系统发挥作用的重要部分。
( )
9._______是黄酒酿造过程中智能控制系统的关键技术之一。
( )
10.在黄酒酿造过程中，智能控制系统的设计与实施需要考虑到_______等多个方面。
D.发酵罐
( )
3.黄酒酿造过程中，发酵环节需要控制的参数有哪些？
A.温度
B.湿度
C.氧气含量
D.时间
( )
4.以下哪些属于黄酒酿造过程中的智能控制方法？
A.模糊控制
B.神经网络控制
C. PID控制
D.逻辑控制
( )
5.智能监测系统在黄酒酿造过程中可以监测以下哪些指标？
A.温度
黄酒新产品研发与创新考核试卷
B.品牌形象
C.价格策略
D.促销活动
二、多选题（本题共20小题，每小题1.5分，共30分，在每小题给出的四个选项中，至少有一项是符合题目要求的）
1.黄酒新产品的研发过程中，以下哪些方面可以考虑创新？（）
A.原料种类
B.发酵工艺
C.包装设计
D.销售渠道
2.以下哪些因素会影响黄酒的口感？（）
A.保证产品质量
B.创新产品设计
C.提高服务水平
D.降低产品价格
9.黄酒新产品研发过程中，以下哪些步骤是市场调研的内容？（）
A.竞品分析
B.消费者需求调查
C.产业链分析
D.技术可行性研究
10.以下哪些原料可用于黄酒的生产？（）
A.稻米
B.小麦
C.葡萄
D.玉米
11.黄酒新产品研发中，以下哪些工艺可以进行创新？（）
A.江苏
B.浙江
C.广东
D.四川
12.黄酒新产品研发过程中，以下哪个环节可以降低生产成本？（）
A.原料选购
B.工艺改进
C.设备投资
D.品质检测
13.以下哪种方法不适用于黄酒的保存？（）
A.密封
B.低温
C.避光
D.添加防腐剂
14.黄酒新产品研发中，以下哪个因素对产品品质影响较小？（）
A.酵母菌种类
B.发酵温度
B.分析竞争对手
C.考虑价格区间
D.选择合适的销售渠道
15.黄酒新产品研发过程中，以下哪些环节需要注意环保问题？（）
A.原料采购
B.生产过程
C.废弃物处理
D.产品运输
16.以下哪些因素会影响黄酒的储存稳定性？（）
A.酒精含量
黄酒前酵自控系统的研究与应用
结 合 Ｌｂ Ｉ Ｗ、７３ ０Ｐ Ｃ 以及 相 关 传 感 器 和 智 能 仪 表等 技 术 ， 出黄 酒 前 酵 自控 系 统 的 软 硬 件 总 体 方 案 ， 分 析 了相 关 功 能模 块 的 原 理 及 ａＶ Ｅ ｓ —０ Ｌ 提 并 操 作 步 骤 。最 后 成 功 地 将 该 方 案应 用 于绍 兴 女 儿 红 酒 厂 前 酵 生 产 过程 中 ， 到 了预 期 效 果 。 实测 结 果 验 证 了该 系 统 的 正确 性 和 可 行 性 ， 推 达 对 广 黄 酒 发酵 的 自动 化 有 着 重 要 意 义 。
ｌｖ ｌ，ａ ｌ ａ ｏ ｒｓａ ｉｔ ｎ ｂ ｔｈ ｓ；ｔｅｆｒ ｎ ｒ ｃ ｓ ｆｔ ｅｗｉｅ ｉ ｔ ｄｅ ． Ｃｏ ｉ ｎ ｔ ｂＶＩ ｅｅ ｓｗｅｌ ｓ ｐ ｏ ｔｂｌｙ ｉ ａｃ ｅ ｉ ｈ ｅ ｍｅ ｔ ｏ ｅｓｏ ｈ ｎ ｓｓｕ ｉｄ ｐ ｍｂｎｉｇｗｉｈＬａ ＥＷ 。ｓ —０ Ｃ ａ ｄ ｒｌｔｄ ｔｃ — ７３ ０ ＰＬ ｎ ｅａｅ ｅ ｈ
ｆ ｒＰｒ —ｅ ｍ ｅ ｔ ｔ ｎ Ｐ ｏ ｅ ｓ ｏ ｌ ｗ ｃ ｉｅ ｏ ｅ ｆ ｒ ｎ ａ ｉ ｒ ｃ ｓ ｆＹｅ ｌ ｏ ｏ Ｒｉｅ Ｗ ｎ
徐 回 琵
树 熊 伟
徐 俘 国
２４２ ） １ １２
（ 江南大 学通信 与控制 工程 学院 ， 苏 无锡 江
摘
要 ：针对 目 前黄酒生产过程仍以手工操作为主 ， 且存在生产 规模小 、 动化程度低和批次稳定性差等 问题 ， 自 对黄酒发酵工艺进行 了研究 。
ｎ ｌｇｅ ｆｓｎ ｏ ｎ ｎｅｌ ｅ ｔｉｓｒ ｍｅ ｔ ｈｅｏ ｅａｌｓｒ ｔｇ ｏ ｈ ａｄ ｒ ｎ ｏｔ ｒ ｆｐ —ｅ ｅ ｔｔ ｎ ａ ｔｍａｉ ｏ ｔｏ ｙ ｔｍ ｓ ｏｏ ｉｓｏ ｅ ｓ ｒａ ｄ ｉｔｌｇ ｎ ｎ ｔｕ ｎ ，ｔ ｖ ｒｌ ｔａｅ ｙ ｆｒｔｅ ｈ ｒｗａ ｅ ａ ｄ ｓｆ ｉ ｗａｅ ｏ ｒ ｆ ｒ ｎａｉ ｕｏ ｔｃ ｃ ｎｒ ｌｓ ｓｅ ｉ ｏ ｍ ｏ ｐｏ ｏ ｅ ｒｐ ｓｄ：ｔｅ ｐｉ ｃｐｅ ａ ｄ ｐｏ ｅ ｒｓ ｏ ｅａｅ ｕ ｃｉｎ ｌｍｏ ｌｓａ ｅ ａ ａｙ ｅ Ｉ ｓ ｔａｅ ｙ ｈ ｓｂｅ ｎ ｓ ｃ ｅ ｓｕｌ ｐ ｌｅ ｉ ｈ ｏ ｉ ｈ ｒｎ ｉ ｌ ｎ ｒｃ ｄｕｅ ｆｒ ｌｔｄ ｆｎ ｔｏ ａ ｄｕｅ ｒ ｎ ｌｚ ｄ． ｉ ｒ ｔｇ ａ ｅ ｕ ｃ ｓｆｌ ａ ｐｉｄ ｎ Ｓ ａ ｘｎｇ ｓ ｙ Ｎｖ ｒ ｏ ｇ Ｂ ｅ ｒ ｎ ｅ ｃ ｅ ｒｄｃｉｅｅｆｃｓ ｈ ｅ ｕｔｏ ｒ ｃｉａ ｅ ｔｖ ｒｆ ｓｔｅｃ ｒｅ ｔｅ ｓａ ｄｆａ ｉｉｉ ｆ ｈ ｙ ｔｍ ；ｉ ｉ ｉｎｆ ａ ｔ ｅ ｈ ｎ ｒ ｗｅｙａ ｄ ｒａ ｈ ｓｐｅ ｉｔ ｆ ｔ．Ｔ ｅｒ ｓ ｌ ｆｐ ａ ｔｃ ｌｔｓ ｅ ｉ ｈ ｏ ｃｎ ｓ ｎ ｅ ｓｂｌｔ ｏ ｅｓ ｓｅ ｖ ｅ ｉ ｅ ｙ ｔ ｔ ｓｓｇ ｉｃ ｎ ｉ ｏ ｏ ｌｒ ｉｇ ａ ｔｍａｉ ｆｙ ｌ ｆｒｐ ｐｕａ ｚｎ ｕｏ ｔ ｎ ｏ ｅｌｗ ｃ ｎ ｒ ｄ ｃｉｎ ｉ ｏ ｏ ｒ ｅｗｉｅ ｐ ｏ ｕ ｔ ． ｉ ｏ Ｋ ｅ ｗｏ ｄ ｙ ｒ ｓ： Ｌ ｂ ＥＷ ａ ＶＩ Ｄａａ ａ ｅ Ｐ ｓ ３ ０ Ａｕ ｏ ｔ ｏ ｒｌ ｔｂ ｓ ＬＣ ７．０ ｔｍａｉ ｃ ｎｔ ｃ ｏ
采用神经网络和支持向量机预测啤酒中乙酸含量
采用神经网络和支持向量机预测啤酒中乙酸含量Yanqing Zhang;Shiru Jia;Wujiu Zhang;胡雪莲;高文举【期刊名称】《啤酒科技》【年(卷),期】2014(000)002【摘要】啤酒中的乙酸大多是酵母在发酵过程中产生的.乙酸含量对啤酒风味的影响显著,尤其是含量高于阈值时.因此,控制乙酸的含量对保证啤酒风味一致性非常重要.在本项研究中,采用人工神经网络和支持向量机(SVM)来预测啤酒发酵结束时的乙酸含量.啤酒发酵过程参数和啤酒中乙酸含量之间的关系采用偏最小二乘(PLS)回归法、反向传播神经网络(BP-NN)、径向基函数神经网络(RBF-NN)和最小二乘支持向量机(LS-SVM)进行建模.本研究中所使用的数据来自同一品牌啤酒的146个生产批次.LS-SVM和RBF预测乙酸含量要优于RBP-NN和PLS.对比RBF-NN和LS-SVM,RBF-NN构建的模型可靠性更好,但预测的准确性要低一些.SVM有较好的泛化性,但是模型的可靠性较低.总之,在这项研究中,预测大生产啤酒发酵中的乙酸含量时,LS-SVM模型要优于RBF.【总页数】6页(P62-67)【作者】Yanqing Zhang;Shiru Jia;Wujiu Zhang;胡雪莲;高文举【作者单位】;;;四平金士百纯生啤酒股份有限公司 136001;四平金士百纯生啤酒股份有限公司 136001【正文语种】中文【相关文献】1.影响啤酒中乙酸含量的工艺因素 [J], 房慧婧;张彦青;陆幼兰;梁奋;李惠萍2.用气相色谱同时测定啤酒中β-苯乙醇和乙酸含量的探讨 [J], 张永国3.气相色谱测定啤酒中乙酸的含量 [J], 张永国4.啤酒乙酸的来源、形成机理、影响机制的研究及基于人工神经网络的预测模型[J], 李红;陈元;郭瑞涵;张五九5.采用Elman神经网络与支持向量机预测路基沉降 [J], 屈凯锋因版权原因，仅展示原文概要，查看原文内容请购买。
绍兴黄酒酿造过程中氨基酸态氮量变化及控制研究
T logy科技分析与检测绍兴黄酒具有悠久的历史传统和深厚的文化底蕴，被誉为中国的“国粹”酒，与啤酒、葡萄酒并称世界三大古酒[1]。
近年来，随着人们生活水平的提高和消费理念的转变，对酒的需求由“单纯嗜好”向“营养保健”转变，即高度、烈性的不良饮酒观念日益为人们所摒弃，黄酒的低度、营养、保健的优势逐渐显现，慢慢被人们接受。
随着新时代人们对美好生活的向往，对黄酒口感的要求越来越高。
黄酒兼具酸、甜、苦、辣、涩与鲜6味，这是由于其含有丰富的风味物质，其中氨基酸是黄酒中重要的风味物质之一，不同的氨基酸呈不同的味道。
例如丙氨酸、苏氨酸具有甜味；酪氨酸、撷氨酸、亮氨酸具有涩味；谷氨酸、天门冬氨酸、赖氨酸具有鲜味；另外还有9种氨基酸呈苦味。
黄酒中氨基酸含量不仅是酒中之最，而且种类多达20种，其中包括8种人体必需氨基酸。
氨基酸在黄酒酿造过程中不仅为微生物提供了丰富的营养物质，也是很多风味物质的前体物质。
此外氨基酸赋予黄酒丰富的味觉层次，使其具有鲜美醇和、丰富爽口的特征[2]。
测定黄酒中的氨基酸态氮可大致反映氨基酸及小肽的总体水平，并且测定方法简单、快速，因此多年来黄酒行业采用这一重要指标评价黄酒质量等级[3]。
国家标准中规定了不同黄酒类型中氨基酸态氮的最低限量，若氨基酸态氮的含量未达标，就会直接影响黄酒的质量等级以及黄酒特有的口感。
通过长期的实践探索，黄酒中的氨基酸含量应恰当好处，不应越高越好，太高会破坏风味的协调与平衡，反而产生缺陷。
尤其是酵母自溶后产生的氨基酸往往具有涩味和苦味，对黄酒口味很不利，由此需要对氨基酸的总量进行控制。
本文提出通过控制绍兴黄酒后酵时间、及时压榨终止发酵以减少酵母的自溶。
在生产中通过检测氨基酸态氮量，掌握和控制氨基酸态氮量和发酵时间这几个关键要素对提高产品质量具有重要的意义。
1 材料与方法1.1 样品收集绍兴黄酒的发酵醪液样品采用传统工艺配方配制，每缸糯米140 kg、水140 kg、生麦曲24 kg、淋饭酒母12 kg。
黄酒发酵过程分析及关键点的控制
黄酒发酵过程分析及关键点的控制
赵梅;冷云伟;李鹏
【期刊名称】《江苏调味副食品》
【年(卷),期】2009(026)005
【摘要】为了给控制黄酒发酵过程醪总糖、酒精度、总酸和氨基酸态氮等成分的变化,结合黄酒发酵的生物化学机理,对黄酒发酵过程进行分析,认为总糖呈现先逐渐下降后保持稳定的趋势、总酸呈现先上升后下降的趋势、氨基酸态氮含量基本上呈现不断增加之势和酒精度则呈现先迅速升高后小幅波动之势.
【总页数】5页(P30-34)
【作者】赵梅;冷云伟;李鹏
【作者单位】中国矿业大学,江苏,徐州,221008;中国矿业大学,江苏,徐州,221008;中国矿业大学,江苏,徐州,221008
【正文语种】中文
【中图分类】TS262.4
【相关文献】
1.乌衣红曲黄酒发酵酸败因素分析及工艺调控 [J], 徐新金;徐文慧
2.黄酒发酵过程中乳酸含量分析及变化规律的研究 [J], 冯德明;朱长俊;王玉洁;董甘林;孙培龙
3.出口化妆品生产过程中的危害分析及关键点控制 [J], 方丰平
4.黄酒酵母在黄酒发酵过程中产芳香醇差异分析 [J], 周佳冰;张雅卿;刘双平;徐岳正;周建弟;毛健
5.四川黄酒麦曲发酵过程中理化特性及微生物多样性变化研究 [J], 唐鳗秋;夏玙;覃凤阳;吴正云;张文学
因版权原因，仅展示原文概要，查看原文内容请购买。
生物发酵过程中VIP优化神经网络逆系统的软测量方法
生物发酵过程中VIP优化神经网络逆系统的软测量方法于霜;刘国海;梅从立;程锦翔【摘要】针对生物发酵过程中生化变量难以在线检测的问题,提出一种基于变量投影重要性( Variable importance in the project,VIP)方法优化的神经网络逆系统软测量模型. 根据逆系统理论建立发酵过程生化变量的软测量模型,由于发酵系统的复杂性,逆系统软测量模型具有不惟一性,且难以得到精确的表达式. 文中提出采用VIP方法对逆系统软测量模型的辅助变量进行优选,以对主变量贡献率较高的变量作为软测量模型的辅助变量,离线采集发酵过程各变量值,训练神经网络近似逆系统软测量模型,得到优化的神经网络逆系统软测量模型,实现发酵过程中菌体浓度和基质浓度的在线估计. 利用Pensim平台采集数据,对所提方法做了仿真实验,结果表明:经过优化辅助变量的神经网络逆系统软测量方法具有更高的估计精度和泛化能力.%To solve the online measuring of biochemical variables in the fermentation process, a neural network inverse soft sensing method which is optimized using the variable importance in the project( VIP) is proposed. According to the inverse system theory,a soft sensing model of biochemical variables is constructed. Due to the complexity of the fermentation process,the soft sensing model is not unique and not exact. This paper proposes that secondary variables should be optimized using the VIP method. The variables which have greater contribution to key variables are selected as the secondary variables of the soft sensing model. This paper collectes the fermentation process data offline and trains neural network approximating complex soft sensing model. The optimal neural network inverse system soft sensing model is obtained. It can estimate themycelium concentration and substrate concentration online. Numerical simulations based on the Pensim data platform show that the optimal soft sensing model has higher estimation accuracy and stronger generation ability.【期刊名称】《南京理工大学学报（自然科学版）》【年(卷),期】2015(034)004【总页数】5页(P447-451)【关键词】变量投影重要性;神经网络逆系统;软测量;发酵过程;内含传感器;变量筛选;在线检测【作者】于霜;刘国海;梅从立;程锦翔【作者单位】苏州工业职业技术学院机电工程系,江苏苏州215104;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013【正文语种】中文【中图分类】TP273生物发酵过程具有复杂性、时变性和不确定性,发酵过程的菌体浓度、基质浓度等关键生化变量的在线测量对发酵过程的优化控制[1],提高产品的产量与质量具有重要的作用。
基于BP神经网络和WSN的黄酒生产过程质量控制研究
基于BP神经网络和WSN的黄酒生产过程质量控制研究黄酒作为我国的传统酒种,一直以来深受国人的喜爱。
随着科学技术的快速发展,制造业实现了飞速的发展,而作为食品制造业的酿酒产业大多仍采用着落后的生产工艺,其生产过程未能实现高度自动化,对新技术的应用较少,管理过程不规范等问题突出。
而国外在啤酒、葡萄酒的酿造方面进行了大量研究并将最新研究成果进行了产业化应用,其酒厂工艺先进、高度自动化并有着科学的管理思想为指导,其生产效率及产酒的品质都远高于国内。
本文以A黄酒厂为研究对象,旨在提高该企业的质量管控水平。
本文的主要研究内容如下:(1)对该酒厂生产工艺进行了分析,对影响黄酒生产过程品质的因素进行了5M1E剖析,提出了原材料及过程工序的质量控制流程,对统计过程控制(SPC)的应用前提进行了分析,并通过SPC应用实例对二耙后温度进行了控制。
实例表明SPC方法能够检测黄酒生产过程的异常,对于黄酒质量的控制具有很好的效果。
(2)对于温度这一关键控制点控制过程的时变性、非线性、耦合性,传统PID 控制器不能很好的应用于其前酵过程温度控制的问题,通过BP神经网络对PID控制器进行了改进设计,改进后的控制器以发酵罐上三个测温点的温度为控制量,消除了过程的耦合性,将BP神经网络用于控制器参数的自调整,基于Simulink的仿真结果表明经过训练后的改进PID控制器具有快速响应及消除震荡的功效,控制性能优于传统PID控制器,基本实现了预期设计目标。
(3)对于黄酒生产过程中信息传输效率不高的问题,设计了FCS控制系统,在考虑了后酵过程现场布线难的前提下,基于ZigBee技术设计了无线传感器网络(WSN),对传感器各节点进行了合理布置并通过算法进行网络短地址分配,利用MCGS软件对监控系统上位机软件的功能进行了设计,设计好的监控软件人机交互友好、功能完善,实现了生产中数据参数的实时显示和过程的实时控制。
本文从过程控制的角度出发,通过对A黄酒厂的整个生产流程及现状的分析对SPC方法的导入到实施的整个过程进行了设计,为该企业提升质量管理水平提供了依据。
江南大学科技成果——黄酒发酵过程品质稳定性监控系统构建及应用
江南大学科技成果——黄酒发酵过程品质稳定性监控系统构建及应用成果简介黄酒发酵易受外界条件影响，品质稳定性较差，目前黄酒的发酵和品质控制主要依靠经验，没有有效的评价体系。
项目针对黄酒发酵化学成分分析复杂耗时，香气成分及变化规律不明确，优势微生物组成不清楚等难题进行了研究，主要成果如下：1、针对传统的化学检测过程耗时耗力的缺点，利用衰减全反射-中红外光谱结合多元数据提取和非线性数学工具建立了黄酒发酵过程中主要化学成分（总糖、总酸、酒精度、氨基酸态氮）的快速无损检测方法。
2、使用电子鼻建立了黄酒发酵液的雷达指纹图谱，并建立了统计质量控制分析（SQC）模型，可以快速测定黄酒发酵样品品质稳定性；3、项目创新性的提出和实现了通过分析功能微生物组成监控黄酒发酵过程及稳定性的思路，建立了黄酒发酵过程中微生物群落组成数据库，对黄酒发酵微生物稳定性进行有效监控。
创新要点项目从化学分析、发酵过程风味和微生物控制多个角度进行技术创新，形成了提高黄酒稳定性技术体系，实际效果显著；项目实用性强，操作简单，基本无大型设备投资，易于企业推广。
本项目相关研究获奖：1、2016年度中国食品科学技术学会科技创新奖、技术进步奖二等奖（黄酒品控系统架构及应用）；2、2016年度中国商业联合会科学技术奖三等奖（基于品质稳定控制系统的新型黄酒酿造工艺开发及应用）。
项目整体技术达到国际领先水平。
关键指标黄酒发酵易受外界条件影响，品质稳定性较差是行业面临的共性关键问题，本项目黄酒理化指标快速检测技术单个样品检测时间为1-3分钟，基本实现了黄酒发酵指标的快速实时检测，不仅提高检测效率，也减少了检测成本。
同时通过电子鼻快速测定黄酒发酵品质稳定性，建立了黄酒发酵过程中香气物质数据库。
使用新一代测序技术确定了18个优势微生物构成了黄酒发酵液微生物指纹图谱，作为判定黄酒发酵微生物稳定性的重要指标。
项目具有较好的应用前景，可以显著提升企业对于黄酒产品品质稳定性的控制水平。
基于遗传优化神经网络的电子舌在黄酒检测中的应用
基于遗传优化神经网络的电子舌在黄酒检测中的应用
鲁小利;王俊
【期刊名称】《电子技术应用》
【年(卷),期】2009(035)007
【摘要】采用遗传学习算法和误差反向传播(BP)算法相结合的混合算法来训练前馈人工神经网络,从而提高神经网络的收敛质量和收敛速度,并将此算法运用到电子舌对黄酒的检测上.与经典BP网络及附加动量项BP网络的训练与预测进行了比较.结果显示:遗传优化BP算法具有预测精度高、收敛速度快及运行时间短的优点,是一种快速、可靠的方法.
【总页数】4页(P91-94)
【作者】鲁小利;王俊
【作者单位】中国传媒大学南广学院信息技术系,江苏,南京,211172;浙江大学生物系统工程与食品科学学院,浙江,杭州,310029
【正文语种】中文
【中图分类】TP212.6
【相关文献】
1.基于电子舌的黄酒检测与辨识 [J], 钱敏;白卫东;赵文红;刘功良;黄敏欣;黄伟健
2.遗传优化神经网络在气密性检测中的应用 [J], 杨卿;郭斌;罗哉;林敏
3.基于遗传优化的BP神经网络法在甲烷检测中的应用 [J], 李卯东;梁永直;贾文沛;夏路易
4.电子舌在黄酒检测中的应用 [J], 鲁小利;蔡小庆;刘淑艳
5.基于遗传优化的模糊神经网络在管道泄漏检测中的应用研究 [J], 李炜;邝鹏因版权原因，仅展示原文概要，查看原文内容请购买。